ylbtech-AI-Info-Micron-Insight：案例分析：美光使用數據和人工智能來發現、傾聽和感覺

?

1.返回頂部

1、

案例分析：美光使用數據和人工智能來發現、傾聽和感覺

內存芯片制造商美光科技的所作所為遠遠超過只是空談人工智能為工業帶來的諸多優勢。在自己的制造流程中使用數據分析和人工智能，公司確實是言出必行，展示了美光通過其下一代存儲器和處理解決方案實現的技術對業務的價值。好處很多，包括產量更高、工作環境更安全和效率更高。

美光的工廠通過高度復雜和精確的工藝在硅晶圓上生產存儲技術。出錯和浪費的可能性很高，但數據和人工智能正在幫助我們減少這種可能性。依靠人類的警覺性來發現和跟蹤缺陷、機械問題和其他潛在的麻煩問題時，公司損失了如使用當今先進技術本可能避免的金錢。

制造過程

硅晶圓是計算機芯片的基礎，由二氧化硅（一種沙子）制成，必須過濾并精煉到 99.999％ 的純度。將這種電子級硅熔化并壓縮成錠，將其切成極薄的的晶圓，厚度為 0.67mm。

晶圓被拋光以磨去任何切割痕跡，再涂上一層薄的耐光材料，并使用類似于攝影的工藝蝕刻出它們將支持的電路設計。電路越復雜，印刷到晶圓上的圖像越多，層層疊加，每層用離子化等離子體單獨處理，例如，采用一種稱為“摻雜”或在金屬中浸漬的工藝。

在測試（“探測”）之前，用薄膜涂覆完成的晶圓，以確保其按預期工作。

整個制造過程可能涉及約 1,500 個步驟，并且在無菌清潔制造室中進行，旨在防止即使最微小的灰塵落在原始晶圓上。但還是會發生損壞。脆弱的晶圓可能出現劃痕、切口或被刺破，或者可能在保護膜下形成氣泡。

“事實證明，結果比工程師評估準確得多，”美光 IT 總監 Tim Long 說。

通常，這些缺陷非常微小，肉眼完全看不見。即使它們是可見的，掃描在攝影成像過程中為每張晶圓拍攝的 30 到 40 張照片，也可能由于人眼睛疲勞或瞬間疏忽而忽略缺陷。一眨眼就漏掉了。

如果在“探測”階段之前沒有發現問題，則會浪費大量時間和金錢。機會在于，導致這個缺陷的問題會影響多個晶圓 - 甚至數千個。

生產中的其他東西也可能出錯。零件磨損；管道泄漏，或將危險化學品滴到產品或人身上。盡早捕捉和糾正這些問題勢在必行：根據美光專家的說法，停工費用昂貴，平均每小時損失 25 萬美元，鑒于半導體制造業的復雜性，花在恢復生產上的許多時間使得真正的成本達到數百萬美元。更重要的是，與工傷有關的風險是多方面的。

檢測產品和機器中的問題對于制造效率、有效性和安全至關重要。不幸的是，人類肯定會出錯，即使訓練有素的人也會失誤，錯過看到、聽到或感覺到非常微小和微妙地表明某些地方出錯了的跡象。 然而，人工智能技術可以在很短的時間內非常精確地執行這些任務。美光從全球 8000 多個來源和 500 多臺服務器收集到數拍字節的內部制造數據，并將這些信息添加到Apache Hadoop中用于數據挖掘的兩個不同環境地圖中。公司的數據科學家通過上述制造網絡搜索這些數據，以獲得有關 AI 和機器學習開發模型的見解，從而改善和增強工廠流程。 模仿我們的視覺、聽覺和觸覺，其結果令人如此印象深刻 — 所以在 2018 年，他們為美光贏得了令人垂涎的?CIO 100 獎，該獎項頒發給 IT 領袖。

視覺：晶圓成像

晶圓缺陷有多種形式。然而，在大多數情況下，它們屬于幾種常見類別之一：晶圓邊緣附近的小孔、劃痕和外膜中的氣泡。美光的 AI 系統使用“計算機視覺”技術在光刻相機捕獲的圖像（在制造期間將電路蝕刻到晶圓上）上發現這些缺陷。

例如，工程師可能會指示系統掃描晶圓邊緣的微小點（孔），或者連續或略微折斷的線（劃痕），或尋找導致暗點或亮點或圖案的顏色變化。可以近乎實時地發現部分這些缺陷，系統在拍攝圖像后 10 秒內發出警報。在存儲照片 15 分鐘后，第二次掃描期間可能會發現其他缺陷。所有這些過程都依賴于使用存儲在 Hadoop 環境中的 200 萬個圖像的 AI 系統進行比較和對比。

“事實證明，結果比工程師評估準確得多，”美光 IT 總監 Tim Long 說。

“計算機視覺精度高而且效率高，”他說，“而且它擴展了我們工程師的能力。我們的工程師可以專注于問題和收集數據。”

并且通過美光的 AI 自動缺陷分類 (ADC) 系統，技術人員和工程師不再需要在 Hadoop 中手動分類晶圓缺陷。相反，AI-ADC 使用深度學習，每年對數百萬個缺陷進行排序和分類。美光使用當今最新的成像技術創建了這個系統，包括神經網絡這種描述為仿生的編程范例，使計算機能夠從所觀察到的數據中學習。

這種形式的機器學習根據圖像的缺陷為其分類，并將其放在離散的 Hadoop “集群”中。這個過程不僅可以幫助工程師發現制造過程中出現的問題，從而盡早修復，以避免出現更多缺陷，而且它可以使 AI 系統自行發現缺陷并在每次迭代時優化結果。

“無需告訴系統在哪里查找或要查找什么內容，”美光晶圓廠數據科學經理 Ted Doros 說。“給它一些例子并告訴神經網絡：‘這就是你需要找到的東西。’”

“此過程通過微調我們的方法來提高產量。我們微調得越多，問題就越少。”

聽覺：聲學聽力

汽車出現機械故障的第一個跡象是什么？通常是來自引擎蓋下的異常噪音。在工廠中也是如此，那些被認為是異常的聲音可能意味著磨損部件或即將發生故障。

然而生產工廠的噪聲可能很大，而使問題的聲音被此掩蓋。或者也許工人在一個地方待的時間不夠長，不足以區別什么是“正常的”而什么不是。

美光的 AI 系統通過安裝在機器人致動器附近或靠近泵的音頻傳感器聽到其工廠機器的異常現象。這些麥克風可以連續幾周記錄運行活動，軟件將檢測到的頻率轉換為將聲音描述為視覺數據的圖形或圖表。當出現新音調或頻率時，系統將發出警報。通常它甚至可以分辨異常的原因。

Doros 將工廠的多種聲音比作管弦樂隊，支持聲學聽力的機器比作指揮家。

“你擁有所有這些樂器，當你微妙地改變生產線中堆積的化學物質時，就像，比方說，如果你有一個法國號角，音樂家稍微打開一個閥門，它會改變音高和整個樂曲。”聽眾也許聽不出這種變化，但指揮家不會。

“計算機視覺精度高而且效率高，”他說，“而且它擴展了我們工程師的能力。我們的工程師可以專注于問題和收集數據。”

為了建立這個“聲學聽力”AI 系統，美光工程師用在初始監測階段收集的數據在 Hadoop 中創建了一個基線。接下來，他們掃描文件中的異常聲音，并根據原因分類，將它們放置在離散的組或“群集”中。收集、檢查和分類的文件越多，結果就越準確，而且系統檢測和診斷異常聲音及其成因的能力就越強。

搜索這些海量數據庫可能非常耗時。但當機器存在故障危險時，工廠經理需要立即知道。

將數據發送到裝滿美光內存和存儲器的 GPU 系統，該系統擁有 48000 個處理核心和數兆兆字節的內存，可以提供快速，智能的結果 - 比基于CPU的系統快得多。所有這些 GPU 內核和內存同時協同工作，只需很少或無需人工干預即可在轉瞬之間改善其結果，并在每次迭代時改進其診斷，類似于人類大腦的工作方式。

“GPU 的一個關鍵優勢是，CPU 可能在一塊芯片上有兩個或四個處理器內核，每個內核每次只完成一件事。GPU 有幾千個內核。它可以并行處理幾千件事情，”美光高級研究員 Mark Helm 說。“對于 AI 工作負載而言，這正是你所需的。

你并不希望 CPU 執行非常復雜的機器學習算法。GPU 會將它分解成許多非常小的部分并行執行，在這成千上萬內核中的每一個都同時工作。GPU 處理在決策時間上提供了難以置信的優勢。

熱成像：感覺熱度

并非每次故障都會產生噪音 - 在制造環境中，沉默可能是致命的。相反，在很多情況下發生溫度變化。機器可能會升溫、泵或管道可能會冷卻，在發生泄漏的地方蒸發冷卻從而失去熱量。

直到最近，檢測溫度激增的唯一方法是看到紅光、火花或煙霧。當出現這些現象時，問題已經進入危險區域，并且工廠需要疏散工人。如前所述，停機是非常昂貴的，更可能危及人身安全。

冷點也可能表明存在問題，但這些都沒有明顯的跡象。而用手感受熱度波動很危險，所以是不切實際的。

然而，人工智能越來越可以通過分析產生工廠環境“熱區圖”的紅外照片來發現溫度異常。美光疊加正常工作條件下創建的圖像，并將它們放在晶圓廠的數字雙胞胎上，這是工廠的虛擬復制品。這些圖向 AI 系統提供用于比較紅外圖像的基線。當系統檢測到偏差時，即發出警報。

“這是關于改造企業，而不僅是車間，”Doros 說。“我們可以將這些技術和方法引入公司內的所有業務流程。”

運用熱成像在美光仍處于初級階段，因為它能夠在機器發生故障或嚴重損壞之前，及早發現即將發生的故障，因此其節約成本的潛力巨大。早期檢測可以區別是進行簡單維修還是更換整個昂貴的設備。 此外，它在保護工人方面起到關鍵作用，而美光最重視的就是工人。與利潤相比，公司更重視其團隊成員的安全，因此公司繼續大力投資那些能夠改善在問題變得危險之前即可檢測到問題的技術。 “如果它看上去似乎是‘這里的泵有高風險’，如果它存在熱量丟失問題或有火花，我希望馬上知道，并且我要通知該地區的人撤離，”Doros 說。

盡早發現機械問題是熱成像的首要目標，但公司也使用該技術來優化制造系統和工藝。系統可用性是美光晶圓生產過程中成本最高的因素之一，Doros 說。系統關閉會減少可用于晶圓制造的工具。當晶圓產量下降，晶圓廠整體運營成本就會上升。未檢測到工具故障也可能導致晶圓損壞，這也增加了成本。

Doros 說，在理想情況下，美光會為每個晶圓廠中的每件工具創建熱成像，并實時查找溫度過高或過低的所有地方。后續的微調工作很可能提高產量，從而降低每片晶圓的生產成本。

好處眾多：

美光在工廠中使用 AI 來發現、傾聽和感覺，目前已經取得了令人映像深刻的成果：

• 成熟投產時間加快 25%
• 產量增加 10%，并且
• 質量事件減少 35%。

數據分析和 AI 的優勢從晶圓廠擴展到美光運營的各個方面：銷售和市場、人力資源、業務運營、研發等。

“這是關于改造企業，而不僅是車間，”Doros 說。“我們可以將這些技術和方法引入公司內的所有業務流程。”

例如，深度學習明顯改善了產品需求預測，將準確度提高了 10％ 到 20％，Doros 說。

公司主要關注人工智能和數據分析的工業流程，承諾其工廠作為真正“智能”的信息物理系統運行，只需最少人為干預。

隨著 5G 蜂窩網絡、虛擬和增強現實、物聯網、AI 和數據分析等技術進步越來越快 — 由美光自己的內存和存儲解決方案輔助開發 — 實現這一承諾已經為期不遠了。

“AI 包括很多東西，”Long說。“它實際上描述了診斷功能，以及我們如何使用機器學習算法創建它們。我們重現人類感官 - 聽覺、觸覺、視覺 - 通過提供算法數據，并使用歷史記錄作為上下文來教授我們的系統。然后，機器將觀察并學習其模式，這樣，它們就能自己得出結論。”

2、

2.返回頂部

3.返回頂部

4.返回頂部

5.返回頂部

1、 https://cn.micron.com/insight/case-study-micron-uses-data-and-artificial-intelligence-to-see-hear-and-feel 2、

6.返回頂部

作者：ylbtech 出處：http://ylbtech.cnblogs.com/ 本文版權歸作者和博客園共有，歡迎轉載，但未經作者同意必須保留此段聲明，且在文章頁面明顯位置給出原文連接，否則保留追究法律責任的權利。

轉載于:https://www.cnblogs.com/storebook/p/10795961.html

總結

以上是生活随笔為你收集整理的AI-Info-Micron-Insight：案例分析：美光使用数据和人工智能来发现、倾听和感觉的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。